物种注释基因组下载

NCBI Taxonomy数据库中的nucl_gb.accession2taxid.gz、nucl_wgs.accession2taxid.gz和taxdump.tar.gz文件在功能和内容上有以下区别：

1. ‌nucl_gb.accession2taxid.gz‌

• 作用‌：存储GenBank中‌非WGS/TSA的核酸序列‌的accession号与taxid的映射关系‌。
• 内容‌：包含四列数据：accession（无版本号）、accession.version（带版本号的序列ID）、taxid（分类学ID）和gi（已弃用字段）‌。
• 应用场景‌：适用于通过BLAST比对到NT数据库后，将核酸序列的accession号转换为对应的物种分类ID‌。

2. ‌nucl_wgs.accession2taxid.gz‌

• 作用‌：存储‌全基因组测序（WGS）项目‌中核酸序列的accession号与taxid的映射关系‌。
• 与nucl_gb的区别‌：
  • nucl_gb覆盖常规GenBank核酸序列（如单个基因或基因组片段），而nucl_wgs专门针对WGS项目提交的contig/scaffold序列‌。
  • 两者在accession号格式和覆盖范围上存在差异，可能导致使用nucl_wgs提取子库时结果少于预期‌。

3. ‌taxdump.tar.gz‌

• 作用‌：提供NCBI分类学数据库的核心文件，包含物种分类层级结构和节点关系‌。
• 关键文件‌：
  • nodes.dmp：记录分类学节点间的父子关系（如门→纲→目）。
  • names.dmp：记录分类学ID与名称（学名、通用名、同义词等）的对应关系‌。
• 应用场景‌：与taxonkit等工具配合使用，将taxid转换为具体的物种分类信息（如界、门、纲等）‌。

三者的关联与典型使用流程

• 通过BLAST比对到NT数据库后，利用nucl_gb.accession2taxid.gz或nucl_wgs.accession2taxid.gz获取序列对应的taxid‌。
• 结合taxdump.tar.gz中的分类学信息，将taxid转换为物种分类层级（如Bacteria;Proteobacteria;...）‌。

总结表格

通过以上文件组合，可完成从序列比对到物种注释的全流程分析‌。

从refSeq下载物种基因组

wget https://ftp.ncbi.nlm.nih.gov/genomes/refseq/bacteria/assembly_summary.txt 

$ cat assembly_summary.txt | wc -l
# 417112
$ du -sh  assembly_summary.txt 
# 177M    assembly_summary.txt

taxonomy中统计的细菌数

‌通过Linux命令行FTP查看NCBI细菌基因组目录的步骤

ftp ftp.ncbi.nlm.nih.gov  

输入用户名 anonymous，密码留空或填写邮箱地址（如 user@example.com）完成匿名登录‌

ftp> cd genomes/refseq/bacteria